이 프로토콜은 초기 장기 식민지화 단계에서 실험 모델에서 뼈 전이의 성장을 예측하기위한 기계 학습 알고리즘의 개발을 용이하게합니다. 이 기술의 주요 장점은 여러 이미징 매개 변수를 기계 학습 알고리즘에 결합하여 각 개별 매개 변수의 생산 능력을 크게 능가한다는 것입니다. 그러나, 이 프로토콜은 뼈에 있는 전이의 조기 진단을 겨냥하고, 다중 모달 및 다중 파라메트릭 화상 진찰 연구의 다른 기관 또는 지역에 적응될 수 있습니다.
DCE 플러그인을 가진 DICOM 뷰어에서 수술 후 10 일 및 주입. 가져오기를 선택하여 DCE 시퀀스를 4D 모드로 로드하고 MRI 이미지가 포함된 DICOM 폴더를 선택합니다. 4차 또는 제5 MRI 이미지 내에서 오른쪽 뒷다리의 근접 티비알 샤프트 골수에 관심 있는 치수 영역에 1.5 평방 밀리미터를 배치하고 플롯 유형에서 상대적 향상을 선택한다.
시간 지점에서 기준범위를 각 필드에 1~5개까지 입력하고 DCE 원시 도트 TXT라는 점 TXT 파일로 분석을 내보냅니다. RStudio를 열고 제공된 DCE 스크립트 도트 R 파일을 로드합니다. 코드를 선택하고 영역을 실행하고 전체 스크립트를 실행하고 제공된 이미징 기능 템플릿 파일에 출력을 복사하기 위해 모두 실행합니다.
DICOM 뷰어에서는 동물의 뒷근육 에 관심 있는 두 번째 영역을 배치하고 입증된 대로 DCE 측정을 반복합니다. 이미징 피쳐 스프레드시트에서 각 골격 측정값은 데이터 정규화를 위한 각 근육 측정값으로 자동으로 분할됩니다. PET/CT 이미지를 분석하려면 PET/CT 분석 소프트웨어를 열고 PET/CT 이미지를 가져옵니다.
일반 분석을 클릭하고 관심 영역을 선택하여 템플릿에서 관심 영역을 만들고 만듭니다. 오른쪽 뒷다리의 근접 선각 샤프트의 골수 내에 관심 있는 4-6밀리미터를 배치하고 관심 대상 1오버레이의 선택 영역을 선택한다. 밀리리터당 베크렐링의 평균, 최소 값 및 최대 값을 기록합니다.
그런 다음, 최대 값을 주입된 활성으로 나누고 그 결과를 그램에 동물의 무게로 곱하여 표준화된 섭취량 값을 계산한다. 주입된 뒷다리의 종양 증가율을 진단한다. 30일째에 MRI 및 PET/CT 영상을 얻은 후, 입증된 대로 이미지를 분석하고 이미징 기능 스프레드시트에 종양 컬럼을 추가한다.
그런 다음 전이 또는 눈에 보이는 종양 부담이없는 동물을 위해 각각 1 또는 0을 입력합니다. 향후 종양 성장 예측에 가장 관련성이 있는 기능을 결정하기 위해 스프레드시트를 오픈 소스 데이터 시각화 기계 학습 및 데이터 마이닝 툴킷으로 가져옵니다. 데이터 메뉴에서 파일 하위 루틴을 작업 공간으로 드래그하고 파일을 두 번 클릭합니다.
폴더 아이콘을 클릭하여 스프레드시트를 로드하고 이미징 피쳐 스프레드시트를 선택합니다. 내보내기 워크시트를 선택하고 대상 특성을 가변 종양에 할당합니다. 건너뛰기 함수를 동물 번호에 할당합니다.
랭크 하위 루틴을 작업 공간으로 드래그하고 선을 그려 파일에 연결하고 하위 루틴의 순위를 지정합니다. 그런 다음 두 번 클릭하여 순위 하위 루틴을 열고 정보 게인 알고리즘을 선택합니다. 기계 학습 분석을 위해 RStudio 3.4.1을 열고 제공된 열차 모델 R 스크립트를 로드합니다.
스크립트 내에서 3~6개의 줄을 선택하여 필요한 라이브러리를 로드합니다. 선택한 코드를 클릭하여 선택한 코드를 실행하고 선택한 줄을 클릭하여 선택한 줄을 실행합니다. 모델 평균을 신경망 알고리즘으로 학습하려면 열차 모델 R 스크립트에서 8~39번 선을 선택하고 코드를 클릭하고 선택한 줄을 실행합니다.
그런 다음 진단 정확도의 표준 매개 변수를 평가하기 위해 열차 모델 R 스크립트에서 41~50번 선을 선택하고 코드를 클릭하고 선택한 줄을 실행합니다. 수술 후 10일째에 수술 및 암세포 주입 후 MRI 및 PET/CT 이미지를 획득할 수 있습니다. DCE 분석은 관심의 근육과 뼈 조직 영역의 측정을 할 수 있습니다.
이러한 값은 뼈 측정값을 근육 측정값으로 나누어 정규화할 수 있습니다. 30일 주사 후, 모든 동물들은 양양성 종양 부담과 눈에 보이는 종양이 없는 건강한 동물을 나타내는 제로를 나타내는 전이성 개발 여부를 결정하기 위해 평가된다. 열차 모델 R 스크립트를 실행하면 최적의 하이퍼 파라미터 조합을 결정하고 최종 모델을 최적의 하이퍼 파라미터 조합을 사용하여 계산할 수 있습니다.
이러한 데이터를 통해 표준 진단 매개 변수 집합을 계산하고 모델의 수신기 작동 특성 곡선을 플롯할 수 있습니다. 예를 들어 28개의 샘플분석을 분석하여 모델은 세 가지 성분 모두보다 훨씬 더 잘 수행됩니다. 입력 데이터가 정규화될 때 여러 기계 학습 알고리즘이 더 잘 수행되는 경향이 있습니다.
이 프로토콜에서 정규화는 Box Cox 함수를 사용하여 달성됩니다. 이 프로토콜은 네트워크 중 모델 평균을 기계 학습 알고리즘으로 사용합니다. 그러나 제공된 프레임워크는 임의포리스트 또는 지원 벡터 기계와 같은 다른 알고리즘에 쉽게 적응할 수 있습니다.
이미지 자료에서 숫자 정보를 추출하는 것이 필수적입니다. 이러한 알고리즘은 환자 계층화를 허용하기 위해 대량의 데이터를 통합할 수 있습니다.
